Buchumschlag

Neural Operators with Localized Integral and Differential Kernels

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu-Schiaffini, Miguel, Berner, Julius, Bonev, Boris, Kurth, Thorsten, Azizzadenesheli, Kamyar, Anandkumar, Anima
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Principled Approaches for Extending Neural Architectures to Function Spaces for Operator Learning
von: Berner, Julius, et al.
Veröffentlicht: (2025)

Guided Diffusion Sampling on Function Spaces with Applications to PDEs
von: Yao, Jiachen, et al.
Veröffentlicht: (2025)

Guaranteed Approximation Bounds for Mixed-Precision Neural Operators
von: Tu, Renbo, et al.
Veröffentlicht: (2023)

A Library for Learning Neural Operators
von: Kossaifi, Jean, et al.
Veröffentlicht: (2024)

Solving Poisson Equations using Neural Walk-on-Spheres
von: Nam, Hong Chul, et al.
Veröffentlicht: (2024)

Neural Operator: Learning Maps Between Function Spaces
von: Kovachki, Nikola, et al.
Veröffentlicht: (2021)

Scale-Consistent Learning for Partial Differential Equations
von: Li, Zongyi, et al.
Veröffentlicht: (2025)

Equivariant Graph Neural Operator for Modeling 3D Dynamics
von: Xu, Minkai, et al.
Veröffentlicht: (2024)

Decoupled Diffusion Sampling for Inverse Problems on Function Spaces
von: Lin, Thomas Y. L., et al.
Veröffentlicht: (2026)

Fourier Neural Operator with Learned Deformations for PDEs on General Geometries
von: Li, Zongyi, et al.
Veröffentlicht: (2022)

DPOT: Auto-Regressive Denoising Operator Transformer for Large-Scale PDE Pre-Training
von: Hao, Zhongkai, et al.
Veröffentlicht: (2024)

Neural Operators for Accelerating Scientific Simulations and Design
von: Azizzadenesheli, Kamyar, et al.
Veröffentlicht: (2023)

Monte Carlo-Type Neural Operator for Differential Equations
von: Choutri, Salah Eddine, et al.
Veröffentlicht: (2025)

Enabling Automatic Differentiation with Mollified Graph Neural Operators
von: Lin, Ryan Y., et al.
Veröffentlicht: (2025)

Calibrated Uncertainty Quantification for Operator Learning via Conformal Prediction
von: Ma, Ziqi, et al.
Veröffentlicht: (2024)

Learning from Integral Losses in Physics Informed Neural Networks
von: Saleh, Ehsan, et al.
Veröffentlicht: (2023)

Accelerated Gradient-based Design Optimization Via Differentiable Physics-Informed Neural Operator: A Composites Autoclave Processing Case Study
von: Patel, Janak M., et al.
Veröffentlicht: (2025)

CATO: Charted Attention for Neural PDE Operators
von: Cheng, Chun-Wun, et al.
Veröffentlicht: (2026)

Autoregression-Free Neural Operators for Time-Dependent PDEs
von: Zhang, Jiaquan, et al.
Veröffentlicht: (2026)

Accelerating Data Generation for Neural Operators via Krylov Subspace Recycling
von: Wang, Hong, et al.
Veröffentlicht: (2024)

Learning Semilinear Neural Operators : A Unified Recursive Framework For Prediction And Data Assimilation
von: Singh, Ashutosh, et al.
Veröffentlicht: (2024)

Beyond Loss Guidance: Using PDE Residuals as Spectral Attention in Diffusion Neural Operators
von: Sawhney, Medha, et al.
Veröffentlicht: (2025)

CFO: Learning Continuous-Time PDE Dynamics via Flow-Matched Neural Operators
von: Hou, Xianglong, et al.
Veröffentlicht: (2025)

High precision PINNs in unbounded domains: application to singularity formulation in PDEs
von: Wang, Yixuan, et al.
Veröffentlicht: (2025)

Pretraining Codomain Attention Neural Operators for Solving Multiphysics PDEs
von: Rahman, Md Ashiqur, et al.
Veröffentlicht: (2024)

Neural Operators as Efficient Function Interpolators
von: Niarchos, Vasilis, et al.
Veröffentlicht: (2026)

Attention on the Sphere
von: Bonev, Boris, et al.
Veröffentlicht: (2025)

Dynamical Measure Transport and Neural PDE Solvers for Sampling
von: Sun, Jingtong, et al.
Veröffentlicht: (2024)

Operator learning without the adjoint
von: Boullé, Nicolas, et al.
Veröffentlicht: (2024)

PDE Generalization of In-Context Operator Networks: A Study on 1D Scalar Nonlinear Conservation Laws
von: Yang, Liu, et al.
Veröffentlicht: (2024)

Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds
von: O'Connell, Michael, et al.
Veröffentlicht: (2022)

A Mathematical Guide to Operator Learning
von: Boullé, Nicolas, et al.
Veröffentlicht: (2023)

Sequential Controlled Langevin Diffusions
von: Chen, Junhua, et al.
Veröffentlicht: (2024)

Mechanistic Interpretability with Sparse Autoencoder Neural Operators
von: Tolooshams, Bahareh, et al.
Veröffentlicht: (2025)

Zero Coordinate Shift: Whetted Automatic Differentiation for Physics-informed Operator Learning
von: Leng, Kuangdai, et al.
Veröffentlicht: (2023)

Projection Methods for Operator Learning and Universal Approximation
von: Zappala, Emanuele
Veröffentlicht: (2024)

The Vanishing Gradient Problem for Stiff Neural Differential Equations
von: Fronk, Colby, et al.
Veröffentlicht: (2025)

Mixture of Experts Softens the Curse of Dimensionality in Operator Learning
von: Kratsios, Anastasis, et al.
Veröffentlicht: (2024)

SPIKE: Stable Physics-Informed Kernel Evolution Method for Solving Hyperbolic Conservation Laws
von: Su, Hua, et al.
Veröffentlicht: (2025)

STNet: Spectral Transformation Network for Solving Operator Eigenvalue Problem
von: Wang, Hong, et al.
Veröffentlicht: (2025)